战役战术导弹目标价值排序的模糊综合评判法

针对现代战争中战役战术导弹运用的特点，确定了战役战术导弹所打击目标价值的评判指标体系，并从分析目标价值的角度出发，用模糊综合评判法对战役战术导弹所打击目标进行价值分析，建立了打击先后顺序的评判模型．最后，用实例证明了，评判模型对战役战术导弹所打击目标进行价值排序的实用性和可行性。     

战场目标威胁程度多级模糊综合评判分析

在对战场目标的属性进行分析的基础上,建立了目标威胁程度多级模糊综合评判模型,包括模糊层次分析,一级和二级模糊评判,应用所建立的数学模型编制软件,运用计算机对目标威胁程度分别进行了单因素和多因素计算机实时仿真计算.     

集群目标战场价值综合评估

针对目前装甲机械化部队作战过程中缺乏对装甲集群目标整体价值评估的问题,提出一种通过敌武器平台的数量、作战效能、综合价值系数以及武器平台的位置分布等因素对集群目标价值进行综合评估并排序的方法.介绍集群目标价值指标的构成,给出确定部署兵力类型和数量的原则,并通过仿真验证.评估结果表明:该方法合理有效,能较好地反映集群目标对我方的威胁程度,为我方的兵力分配等决策过程提供参考依据.     

不确定多属性统计方法的战场目标排序研究

针对现行作战决策算法解决战场目标排序中存在的问题,运用一种新的随机变量和统计特征的新方法解决战场目标排序问题。建立不确定多属性统计方法的模型,对目标威胁程度进行排序,并应用到战场目标排序中。实例说明了该方法的有效性,但随机变量的统计特征与随机变量分布本身包含的信息仍有差距,还需进一步研究。     

基于双重模糊决策的炮兵战场目标价值排序

为了合理安排各个目标的打击顺序和强度,给指挥员提供客观、可靠的目标攻击顺序建议,提出一种基于双重模糊决策的炮兵战场目标价值排序方法。通过应用模糊决策理论,对个体决策者应用"多因素模糊决策法"进行排序,对最高决策者根据个体决策情况运用"模糊群体决策法"决定最终排序结果,通过以上双重模糊决策的方式,得出最合理的战场目标价值排序结果,并进行实例仿真。分析结果证明:该方法能避免主观臆断,对我军炮兵尤其是远程炮兵作战的辅助决策有一定的指导作用。     

一种基于关键帧的战场视频目标挖掘方法

一种基于关键帧的战场视频目标挖掘方法。首先对战场视频进行基于内容的视频检索,提取出关键帧,然后对关键帧进行目标识别,从而快速提取出目标信息。实例证明该方法有效可行。     

基于神经网络的战场被动声／地震动目标识别方法

目的在于研究人工神经网络在战场声／地震动目标识别应中的有效算法。通过建立战场目标声／地震动特性探测与分析系统,在总结目标特性规律,分析传统BP算法固有缺陷的基础上,采用改进的算法对分类器进行训练,典型战场目标信号样本检验表明,该方法具有良好的识别分类效果,利用基于神经网络的分类来实现对战场声／地震目标的识别分类是可行的。     

基于BP神经网络的雷达目标识别算法研究

雷达目标特性复杂多样,而且容易受到电磁、地物、天气等因素的干扰和影响,使其在距离、仰角、方位的测量精度降低,制约了雷达对目标的识别,BP(Back propagation)神经网络具有学习功能,能够十分有效的提高雷达识别系统的效率.     

基于BP神经网络的ARM目标识别模型研究

应用人工神经网络可以逼近任意非线性函数这一特性．从网络的逻辑结构、工作过程、学习方法等方面，构建与实现了基于BP神经网络的ARM目标识别方法。通过Matlab的Simlink进行仿真，仿真结果证明．模型能够比较准确地对ARM目标进行识别．符合防空作战的实际需要．同时也为防空指挥自动化提供支持。     

基于模糊神经网络的目标识别模型

目标识别是地空导弹武器系统决策中的关键技术．针对目标特性，提出了一种基于模糊技术的BP神经网络的目标识别模型．从传感器中提取目标特性，经过模型处理，可以较好地实现目标的类型识别．     

基于模糊综合评价的武器装备形成战斗力评估方法

在确立武器装备形成战斗力评价指标体系基础上,建立模糊综合评价模型对部队武器装备形成战斗力水平进行评价。其步骤包括：评价因素集、评估结果集合、评价权重集、一级评判、二级评判、战斗力评定,以及各因素权重的确定。     

基于粗集-神经网络模型的目标识别方法研究

为了克服传统目标识别方法的缺点，建立了一种基于粗集理论和神经网络结合的粗集-神经网络模型．利用粗集对输入信息进行约简，剔除冗余信息，简化了生成规则和神经网络模型结构，提高了网络训练速度和运行速度，并通过仿真实验证明了该混合模型的可行性。     

基于RBF网络和IMM的机动目标跟踪方法

文中提出了一种应用RBF神经网络对标准IMM算法中的卡尔曼滤波结果进行校正的方法。网络输人为预测误差、卡尔曼增益以及测量值与估计值之差．网络输出反映了由于目标机动所带来的滤波误差．将网络输出结果和直接由卡尔曼滤波求解得到的结果相加．可以得到更为准确的滤波值。同时．在网络的学习算法中．在网络权值矩阵的修正公式中增加了反映滤波残差的调整项．若卡尔曼滤波的残差较大，网络调整权值的幅度也相应增大。仿真结果表明．在目标发生机动转弯处．校正后的IMM算法的跟踪误差要明显小于标准IMM算法的跟踪误差．跟踪精度较高。     

模糊理论及神经网络在目标识别中的应用

讨论了对地空导弹将要拦截的目标进行识别的方法．在综合多个因素的基础上利用模糊理论与神经网络的有关知识，给出了几种目标识别的方法，以便于为防空作战决策提供科学依据．     

2D 雷达组网目标高度估计方法

为解决2D 雷达不能测量目标高度参数的问题,提出一种2D 雷达组网目标高度估计方法。利用2 部雷达 对同一目标距离和方位角测量的冗余信息进行目标高度的初步估计,通过定义贴近度、一致性测度、一致性测度均 值、一致性测度方差和变异系数来确定不同雷达组合初步估计高度值参与数据融合的权值,利用不同雷达组合初步 估计的目标高度值以及参与数据融合的相应权重进行目标高度的融合估计。基于典型算例对所提算法进行验证。结 果表明：该算法能解决目标高度问题,具有一定的理论意义和较好的应用价值。     

考虑目标重要性及历史任务信任度的无人机任务决策方法

针对多无人机协同任务决策问题,提出了一种考虑目标重要性和无人机任务信任度两 种因素的任务决策方法。该方法由基于改进的模糊物元目标重要性评估和基于历史任务的无人机 任务信任度评估两部分组成。前者通过改进物元结构,引入统一隶属度函数以及主观影响因子,提 出了改进的模糊物元目标重要性评估方法。后者以无人机历史任务数据为基础,构建了多无人机 信任网络模型,给出了直接信任度、间接信任度和通过信息熵理论计算总信任度的计算方法。由二 者的评估结果,可得到当前时刻的多无人机协同任务决策。仿真结果表明,提出的任务决策方法实 时性强,能够满足无人机任务决策需求,具有一定的可行性。     

基于无线传感器网络动态簇的目标跟踪

着重研究了基于动态簇目标跟踪的两个关键环节：动态簇的组建和目标状态估计。在动态簇组建方面,提出了综合考虑节点感应信息和节点电量的簇头竞选方案;在目标状态估计方面,定义了包含信号测量强度的最近点( CPA)事件,并提出了基于该CPA事件的新型估计算法。结合这两个关键环节,本文给出了基于动态簇的无线传感器网络目标跟踪过程,包括动态簇的初始化、簇内数据聚合、目标状态估计、动态簇的重组、目标丢失检测以及目标恢复等。仿真结果表明：本文建立的目标跟踪系统具有失效概率低、网络寿命长和跟踪精度高等优点。     

无人车目标识别主干网络技术特点对比分析

目标识别是无人车自动驾驶视觉感知模块的核心技术之一。当前,目标识别主要依靠主干网络提取特征, 进而对目标进行分类与回归。通常情况下,无人车嵌入式计算平台的计算与存储能力有限,为了降低主干网络的算 力与存储量,提升无人车的计算速度与效率,对目标分类任务的主干网络进行综合比较分析。围绕卷积核、感受野、 池化层、全连接层、激活函数等,以cifar10 和cifar100 为实验数据,从理论分析与数据实践层面,对主干网络算子 的选择与网络搭建进行分析对比,总结、归纳特征提取主干网络搭建的主要思路与做法。结果表明,该分析结论对 目标分类主干网络在嵌入式无人车系统中的应用具有一定的理论指导与参考价值。     

基于加权特征融合的 SAR 图像目标分类方法

针对现有分类器对 SAR 图像分类正确率不高的问题,考虑到单一的特征很难完全描述 SAR 目标,并且单一的分类器识别率有限,提出了一种基于加权特征融合的图像分类方法,采用多种特征来描述目标,并且用多个分类器同时对目标识别。实验结果显示,提出的方法能够达到较高的分类正确率,证明了该方法的有效性。